OpenMOSS は、長時間のマルチスピーカー文字起こし、話者分離、タイムスタンプ、音響イベント認識のために設計された、0.9B パラメータのエンドツーエンド音声理解モデルである MOSS-Transcribe-Diarize をリリースしました。

このモデルは、単一のパスで音声文字起こしと話者分離を共同で行い、個別の ASR および話者分離システムを結合する必要性を排除します。[S01] や [S02] といった匿名話者ラベル付きのコンパクトな時間同期テキストを生成します。Qwen3-0.6B スタイルの因果デコーダと Whisper-Medium エンコーダを基盤としており、カスタム文字起こし指示、ホットワード、音響イベント注釈をサポートしています。

このアプローチは、会議、通話、ポッドキャスト、その他の長時間録音において、誰がいつ話したかを特定することで、ダウンストリームシステムに対して音声コンテンツのより豊かな視覚を提供します。